0 引言

近年来随着机器视觉和图像处理技术在交通领域的不断发展，各种检测系统和研究方法应运而生。公路护栏作为道路基础附属设施的一部分，主要通过在公路路侧设置合理的净区宽度来减少车辆驶出路外或驶入对向车道^[1]，而对护栏这种附属检测时主要检测其缺失、变形破损以及倾斜等情况^[2]。然而目前的公路护栏巡检依旧采用传统的人工统计方法，在统计护栏的数量，长度和质量等方面的工作依旧存在很多局限，而且人工巡检的时间长，效率低，错误率也会由于人工的疲劳提高。于此同时，随着新技术信息的不断发展和深入，可将计算机视觉和人工智能技术应用到道路养护中，高效地获得公路护栏的数量，长度和质量等信息，更好地为驾驶人的行车安全保驾护航。

虽然对道路护栏的研究起步较晚，但近些年在对公路护栏的研究中，国内外已有一些成果。一部分的学者是通过激光雷达和扫描线进行道路护栏的提取，Zhu^[3]将点云分割成直线利用其角点特征和高度特征进行道路护栏的提取；Gao^[4]将多级滤波器与改进的空间聚类相结合筛选护栏结构，精度有很大的提升；Huang^[5]以激光扫描得到的高速公路场景点为研究对象，在二进制编码体素的基础上，根据公路护栏的特征采用聚类切片的方法来识别护栏，具有较高的效率和准确性，但是切片的效果会受到样本环境的影响。其次是通过图像处理和深度学习等方法进行道路护栏的提取和检测，Seibert^[6]通过前向灰度相机使用Lucas和Kanada跟踪器追踪Harris特征获得护栏的3D信息，但进行护栏检测的精度较低；Zhu^[7]通过提取护栏检测过程中的特征点，利用聚类的方法过滤无用的护栏点，并将改进卡尔曼滤波算法自适应提取出感兴趣区域(AROI)，但是该方法在过滤无用特征点时存在很多的干扰因素，导致提取的精度不高；同时Zhu^[8]还提出了一种结合HOG和LBP多特征融合的方法，经过PCA降维来实现护栏的检测，检测精度得到了明显的提高，但是需要大量不同场景下的数据集进行训练；Xu^[9]采用改进的基于Graph Cut思想的Lazy Snapping算法对复杂环境下的护栏进行分割，但是算法需要依赖于过多的人机交互，无法实现实时检测；Jin^[10]在图像预处理算法中引入了Mask RCNN，采用Rencent101作为骨干网络并结合了特征金字塔网络结构进行特征提取实现对护栏的分割和检测，但算法进行护栏分割的准确度较低还需进一步的提高。

由于公路波形护栏颜色的统一性，工程情况下为了容易识别和区分沿路设施，护栏颜色主要为深浅两种色调，较深色调类似墨绿，较浅色调类似银白。普通的光学传感器获取图像的背景信息极其复杂，对ROI区域的提取存在一定的难度，图 1展示了全文的研究方法流程。本研究结合HSV空间确立颜色距离模型并利用护栏色彩特征进行分割，由于小范围色调值的确定，且某些色调值是唯一允许通过的颜色，这可以最大程度上减少背景物体的干扰，在此基础上结合图像形态学，利用非局部信息挖掘图像中的纹理特征，通过超像素分割进行语义分割提取出护栏完整的结构图像。本研究进行图像分割得到的道路波形护栏结构图像为进一步进行检测道路护栏破损位置和判断破损程度奠定了一定的基础，高效地获得护栏结构信息，对提高道路安全，保证驾驶人行车安全具有重要意义。

1 基于HSV空间色彩距离的二值化图像

在公路波形护栏提取的过程中，存在大量的背景干扰，如石子、水泥路面，草坪等背景与护栏有着相同的颜色。为从复杂的视觉场景中快速定位感兴趣区域目标，本研究采用了聚类的思想，在HSV空间中对感兴趣区域进行目标颜色的获取然后计算与周围像素点的颜色距离。基于每张图像感兴趣区域像素的HSV值，结合颜色距离模型，进行编码，通过对距离阈值不断迭代，获得阈值的移动状态，实现自适应分割，其主要流程如图 2所示。

由于每种颜色的空间结构不同，不同颜色空间在不同场景下产生的效果也不同。最常见的颜色空间以RGB空间为主，而且一般光学传感器获取的图像多数也为RGB空间，但RGB空间是一种不均匀的颜色空间，像素的颜色距离和人眼的感知差距比较大，因此在一定程度上不太适合彩色图像的分割^[11]。而HSV空间是一个圆锥形空间，H, S, V分别代表了颜色的色度、饱和度和亮度，其显示颜色的角度和结果与人类对颜色的视觉感知过程是类似的，因此本研究主要在HSV空间实现对感兴趣区域自适应图像的获取。由于光学传感器获得图像为RGB空间，需要先将图像转换到HSV空间中，根据相应的转换公式可将图像转换到HSV空间中进行处理，同时将目标颜色进行色彩量化，并得到ROI区域的HSV直方图如图 3所示。

观察ROI区域的色彩量化HSV直方图，主要颜色的色度亮度以及饱和度大多数集中在一个范围内，即目标色彩对应的HSV分量值。防止相同颜色由于亮度或饱和度不足出现漏检的情况，将ROI区域的亮度分量进行均衡化，并提高ROI区域的饱和度。得到修正后的HSV直方图见图 4。

由于颜色信息主要存在于低阶矩中，因此采用颜色矩中的一阶矩代表感兴趣区域中的主要颜色信息：

(1)

(2)

(3)

式中，u_H, u_S, u_V分别为不同颜色通道; n为像素个数；p_iH, p_iS, p_iV分别为第i个像素的H, S, V的值。将图像片中所有像素点的H，S，V分量组成二维的矩阵：

(4)

在HSV空间中，色相(H)主要与混合光波的主要波长有关，代表了观察者感知到的主导颜色，而饱和度(S)和亮度(V)主要则是对颜色的纯度和深浅程度加以描述，因此每个分量对最终形成的颜色影响程度是不同的。在利用距离公式对颜色进行相似度判断时就根据不同分量的影响程度赋予其相应的系数。再者不同的色调反映了该颜色最接近什么样的光谱波长，因此赋予H分量的权重系数为1，其次饱和度和色调有一定的关系，图像中的其他像素点到目标点的饱和度存在即使不同也可能在同一个区域内的情况，因此将cos H作为其相应的权重系数，这个系数会随着像素点在不同的色调范围内而不同，每次一个新的像素点进行计算时都会有其对应的系数。亮度分量(V)也是同样的道理，不同的颜色向量在和目标颜色向量进行距离计算时，会得到一个相应的系数sin H，随着不同位置的像素点会产生不同的权重系数，假设图像中目标像素点为A= (μ_H, μ_S, μ_V)，其余需要进行距离计算的像素点为B= (H₁, S₁, V₁)，则进行相似度判断对应的距离模型公式为：

(5)

式中, μ_S, μ_V, μ_H分别为目标像素点的S, V, H像素值; S₁, V₁, H₁为其余像素点对应分量像素值。

结合距离式(5)，遍历M_HSV二维矩阵中的颜色向量与目标颜色进行相似度计算，并将结果进行归一化的处理，得到距离d的平均值作为初始化距离阈值。筛选小于距离d平均值的像素点并不断地进行迭代直到d不再变化，得最终相应d的范围如图 5所示。

不同距离范围内M_HSV相应的分量是不同的，迭代至距离参数趋近于一个固定的数值，直至停止变化并认为其为最终阈值。并得到满足距离d范围内的M_HSV各个分量的最大值和最小阈值，将其自适应得到的最大最小阈值和原来的HSV图像进行合并分割，将大于最大分量和小于最小分量的位置像素点设置为0，中间部分设置为255自适应实现二值化图像的提取。

在完成颜色相似度提取，并对图像进行二值化处理后，尽管未能将全部干扰语义信息和背景物体完全去除，但感兴趣区域已清晰凸显，目标图像与背景在视觉上实现了有效分离。下一步，对图像噪点实施精细化处理，进一步提升图像质量与分析精度。

2 基于形态学重建和连通域分割的图像去噪

传统的形态学滤波(开式、闭式、线性滤波器)，可以去除多数噪声，但会造成图像模糊，有意识地改变目标结构物的形态特征，造成待分割区域的变形、增减, 或断开连通从而影响ROI区域提取的准确率。而重建形态学滤波器可以在不改变区域边界的情况下去除局部灰度峰值，将大于结构元素的组件保留下来，因此为了保留结构的完整性，该研究通过形态学重建连通域的方法进行图像噪点的去除。

形态学重建主要涉及的是两幅图像和一个结构元素的交互作用^[12]。利用形态学重建去除ROI区域中的孔洞，首先将以上得到的二值化图像求其补集记为I^c：

(6)

并形成一个边界为1的标记图像记为F：

(7)

假设进行重建的结构元为B，经过以下的运算来达到去除图像中孔洞的效果：

(8)

通过形态学重建对图像的目标区域进行小孔洞的填充，减少目标区域内噪点影响。

进行形态学重建后的ROI区域可以被分割出来，但仍然会存在更接近目标的相似语义噪声点^[13]，如果直接使用传统的形态学操作无疑会损失掉待检测目标的边缘信息。且需要手动调整核函数，增加了分割操作的复杂性。为了减少对结构物形态特征的破环，去噪采用轮廓面积比值法进行去噪，将其他的像素面积与最大像素的面积进行一个比值，将这个比值设为K，小于该阈值的区域将被剔除：

(9)

式中，A_i为第i个轮廓的面积；A_max为最大的轮廓面积。

经过大量试验，认为K值设置为0.2时对数据集的效果最佳，结果表明该阈值可以在不影响主体结构的同时将周围的噪点去除，处理完以后的图片再和原来的图片进行点乘来获得目标区域的图像，用C表示为二值化图像，用A表示原来的图像，S表示合成以后的图像：

(10)

3 结合Gabor的超像素分割

由图 6可以看出，许多小面积被过滤掉，然而在分割的过程中由于噪声和感兴趣区的混杂，使得分割特定区域变得更为艰难。接下来根据噪点和目标纹理的不同结合Gabor过滤器进行超像素分割^[14-15]。

结合Gabor的超像素分割的过程主要如图 6所示。

Gabor滤波器由一组小波通过不同尺度和方向的小波捕获特定频率和特定方向的能量。Gabor只允许对应频率的纹理通过，过滤掉其他频率的纹理，提取出相应的纹理特征^[16-17]。将图像中像素点设为I(x, y)，二维Gabor变换如下：

(11)

(12)

式中，f和θ分别为中心频率和方向；σ_x和σ_y为高斯函数在x方向和y方向的展宽。因为不同的纹理会有不同的中心频率和宽带，Gabor滤波器只允许对应频率的纹理通过，其他频率的纹理不能通过，Gabor滤波器通过这个原理达到抑制其他纹理的效果，提取出相应的纹理特征。

但是只有一个方向或一个频率的纹理图像是非常有局限性的，因此该研究采用的是将不同方向和不同频率的图像进行组合来解决由于单方向和单频率带来的局限性。进行0°，45°，90°和135°这4个不同方向和7，9，11，13，15，17这6个不同gabor核的过滤，一共生成了24组不同的纹理滤波图像。将生成的在不同频率和不同方向的图像记为I_{f, θ}，并将不同方向不同频率的图像进行高斯加权融合如式(13)：

(13)

式中，I_fi，θj1表示频率为i，方向为θ_j1的图像；I_{fi, θj2}表示频率为i，方向为θ_j2的图像。

根据图像的结果显示，进行合成的图像比单通道图像具有更好的效果，单方向的图像具有更好的效果。除此之外计算得到该纹理图像的平均值作为纹理向量的初始种子点。随后将图片转换到Lab空间中，并将Lab空间中的3个颜色特征向量，像素点在空间中的坐标以及纹理的种子点构成一个六维的特征向量a=[l_k, a_k, b_k, x_k, y_k, t_k]^T，根据六维的特征向量对像素点进行相似性聚类。图片中有N个像素点，对每一个像素点的位置，给定初始化标签L(p)和= ― 1初始化距离d(p)=∞，根据需要分成的k块区域会初始化每一块种子点作为聚类的中心：

(14)

那么每一个聚类中心之间的距离为, 其次计算聚类中心M_k周围2S×2S个像素点到聚类中心点的距离D_k(p)：

(15)

如果D_k < d (p)则更新d (p)=D_k, L (p)=k，同时用C_k表示具有标记L (p)=k的像素集，形成新的聚类中心为：

(16)

式中，|C_k|为集合C_k重像素个数。不断地进行迭代计算新的C_k和残错度，直到残错度小于阈值时停止迭代。

不同的纹理在显示和明暗程度上也会有很大的区分，将SLIC算法中融入纹理特征进行图像的分割，使得图像的亮度和空间特征变得更加敏感，按照超像素搜索的方式对中心点周围的像素点进行阈值的判断和迭代^[18-20]，分割对比结果如图 7所示。

从图 8(a)可知，使用传统的超像素分割对ROI区域分割时鲁棒性并不高，会存在很多的噪点干扰。改进后的超像素分割结果从图 8(b)可以看出连通域内的干扰语义有明显的减少，在连通域内的相似语义也可以被较完整地分割出来，噪点的边缘被分割得也很平滑，具有较高的鲁棒性。

4 试验与分析 4.1 数据采集和试验环境

本研究的试验环境为Windows 10，11th Gen Intel Core i5处理器，主频2.4 GHz，16 GB内存，软件环境为Pycharm 2021.2。试验数据采集主要使用大疆MINI 2无人机，光学传感器的像素最高可达1 200万，等效焦距为24 mm，在拍到的视频中以20-fps提取照片，主要拍摄场地在乡村和城市道路，采集得到护栏图片的分辨率为3 840×2 160，为减轻计算机运行的压力，将数据统一归化为300×300分辨率的数据，数据中包括绿色和银色两种颜色特征的波形护栏，并对一些亮度上存在差异的图像数据进行自动调节。

4.2 试验结果分析

由于目前国内对道路护栏进行分割的方法不多，为了进一步检验本研究算法对图像的分割效果，通过传统算法Ostu法和Sobel提取感兴趣区域并和本研究的算法进行对比^[21-23]，对比的图像部分如图 8所示。

由图可以看出，进行Sobel和大津法的图像依然留有很多的噪点，得到的目标图像并不独立，而且对于绿色护栏的提取，准确率并不高，即使进行了连通域的分割依然无法得到目标区域，其余的图像依然留存有很多的连通域噪点。为了对结果进行更为客观的评价，采用IOU，Dice coefficient，Precision这3个指标对分割的图像进行评价^[24-26]。

IOU系数交并比主要来评价分割图像和标准图像的重合程度^[27]，定义式为：

(17)

式中，GT为标准图像；SEG为算法分割的图像；IOU的值越大说明分割的效果越好。

Dice系数和IOU都是来评价图像分割重合度程度的指标^[28]，其主要定义式为：

(18)

Precison为分割图像的精确度，表示正确分割的部分占标准图像的百分比^[29]，公式为：

(19)

结合上述指标，从无人机采集到的数据集中随机选择了100张图像作为样本数据，每个颜色各选取50张，并计算以上提到的相应指标，取其平均值进行对比，试验结果如表 1所示。

本研究主要是基于颜色空间对道路护栏进行提取，和传统的大津法、Sobel算法进行对比，从表 1可以看出，本研究的算法在以上3个指标的表现上都具有一定的优势，在分割图像的精度，准确度以及重合度上甚至都可以达到94%以上，在Dice的表现上尤其明显，经典算法在各项指标的表现上却只有80%左右，大津法的精度最低，说明在分割道路护栏这一方面鲁棒性并不高。结合图 8提取的对比结果，本研究算法在进行护栏提取时，提取的精度和完整度都比较理想，尤其在结构上比较清晰。对一些具有绿色背景干扰的绿色护栏，虽然为相同的色系但在HSV空间中显示出来仍然具有很大的不同，从而可以对目标图像进行较为清晰的分割；而传统的算法在进行提取时即使进行了ROI区域的分割，但分割结果中仍然存在很多的干扰语义，整体结构不独立，无法进行下一步的检测和病害判断。

对公路波形护栏结构的完整分割，可以将护栏的形状特征和结构信息充分地展现出来，同时将缺陷以及断裂部位也较准确地展现出来，正确的分割为下一步进行破损部位的识别和检测奠定了坚实的基础。

5 结论

本研究通过改进的颜色距离公式和改进的超像素分割技术，对道路护栏图像进行了高效且精确的分割，主要研究成果如下：

(1) 该研究基于护栏的颜色特征，结合改进的HSV颜色空间距离模型，实现了ROI(感兴趣区域)的自适应提取。通过计算满足距离范围内的HSV分量的最大最小阈值，算法能够有效区分ROI区域与周围的环境噪声，从而生成高质量的二值化图像。试验结果表明，该方法能够显著提升ROI区域的提取精度，为后续处理奠定了坚实基础。

(2) 在去除噪声方面，研究采用了形态学重建和连通域分割相结合的方法，避免了传统形态学操作中常见的图像缺损和变形问题。通过优化形态学操作流程，算法能够最大限度地减少小面积环境噪声的干扰，同时保留目标区域的完整性。试验结果显示，该方法能够有效去除背景中的小面积噪点，得到清晰且结构完整的ROI区域。

(3) 为了解决复杂背景中相似纹理噪声的干扰问题，研究引入了Gabor滤波器和超像素分割技术。Gabor滤波器能够提取图像的纹理特征，而超像素分割则基于空间特征对图像进行区域划分。两者的结合使得算法能够有效区分目标区域与相似纹理的背景噪声，从而在复杂环境中实现精确的目标提取。试验表明，该方法能够显著降低相似连通域噪声的干扰，提升分割结果的准确性。

(4) 最终的分割结果表明，该算法在交并比(IoU)和准确度等关键指标上均达到了90%以上，为后续护栏病害检测提供了可靠的基础。然而，研究也发现了一些局限性：当护栏结构被遮挡或存在阴影时，算法可能会出现误分割现象；此外，由于拍摄角度和其他外部因素的影响，部分大面积的孔洞无法完全剔除。尽管如此，这些局限性并未对目标物整体结构的识别和检测造成显著影响。未来的研究将着重优化算法在遮挡和阴影条件下的表现，并进一步完善孔洞剔除技术，以提升算法的鲁棒性和适用性。

本研究提出的算法在道路护栏图像分割中表现出较高的准确性和鲁棒性，为交通安全设施的自动化检测和维护提供了有力的技术支持。